SKILLEMALL.ai

AD zeyang-strategy-lab-free

Для локального исследования исторических данных по одному активу и проверки стратегий, поддерживает правила лонга/шорта по EMA, SMA или RSI и генерирует базовые файлы JSON, CSV, Markdown и графики. Только для исторических исследований и обучения, не для реальной торговли или инвестиционных рекомендаций. Проводите локальные исторические исследования по одному активу с правилами лонга/шорта по EMA, SMA или RSI и создавайте базовые артефакты в форматах JSON, CSV, Markdown и графики. Используйте для исследований и обучения, не для реальной торговли или инвестиционных рекомендаций.

машинный переводПоказать оригиналСкрыть оригинал«用于本地单标的历史数据研究与策略验证,支持 EMA、SMA 或 RSI 的做多/空仓规则,并生成基础 JSON、CSV、Markdown 与…»

用于本地单标的历史数据研究与策略验证,支持 EMA、SMA 或 RSI 的做多/空仓规则,并生成基础 JSON、CSV、Markdown 与图表文件。仅用于历史研究与教育,不用于实盘交易或投资建议。 Run local single-asset historical research with EMA, SMA, or RSI long/cash rules and produce basic JSON, CSV, Markdown, and chart artifacts. Use for research and education, not live trading or investment advice.

ClawHub Agent Skills автор: ZeYang v0.1.0 MIT-0 20 файлов тело ≈ 803 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Для локального исследования исторических данных по одному активу и проверки стратегий, поддерживает правила лонга/шорта по EMA, SMA или RSI и генерирует…

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ГенераторДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
86
Прогон на моделях
не было
Процессный рейтинг
D
46/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
    • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

    Находки guard · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 16. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 46/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 40Согласованность. Имя во frontmatter (zeyang-strategy-lab-free) не совпадает с папкой (zeyang-strategy-lab)
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
    • 100Шаги. Шагов: 6
    • 100Стоимость исполнения. Тело инструкции 803 токенов
    • 100Повторный запуск. Изменяющих операций нет

    Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

    Сигналы качества

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • -35 из 6 скриптов не упомянуты в SKILL.md
    • +2Инструкции на одном языке
    • +3Длина description 311 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 6 заголовков
    • +3Пошаговые инструкции: 6 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (2 из 4)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 86.

    Внешние проверки

    ClawHub: clean
    This is a local research backtesting skill that reads user-provided CSV files and writes local result artifacts, with no evidence of credential access, networking, persistence, or live trading.
    LLM: benign (high) · VirusTotal: · 11 сент. 2026 г.